Logo Passei Direto
Buscar

Inteligência Artificial

Outros
As Redes Neurais Recorrentes (RNNs) são especialmente úteis para modelar dados sequenciais, onde a ordem dos dados é crucial. Considere uma sequência de dados temporais, como séries temporais financeiras, sequências de texto ou dados de sensores. As RNNs processam esses dados mantendo informações ao longo da sequência, que lhes permite capturar dependências temporais e contextuais nos dados.
Selecione a alternativa correta sobre funcionamento das RNNs.
a. As RNNs não são capazes de processar séries temporais contínuas e precisam que os dados sejam discretizados previamente.
b. As RNNs não conseguem lidar com a dependência temporal dos dados, necessitando de modelos adicionais para tal.
c. As RNNs utilizam variáveis de estado para armazenar informações anteriores, o que permite que modelo utilize o histórico da sequência.
d. As RNNs processam dados sequenciais, mas cada passo no tempo é considerado independentemente dos outros.
e. As RNNs são eficazes apenas para dados de imagem e não são aplicáveis a dados textuais ou temporais.
User badge image
Questões para o Sucesso

há 2 meses

User badge image
Questões para o Sucesso

há 2 meses

REDES_NEURAIS_SEMANA_7_NOTA_10 (1)
2 pág.

REDES_NEURAIS_SEMANA_7_NOTA_10 (1)

Respostas

User badge image

Ed Verified user icon

há 2 meses

Vamos analisar cada uma das alternativas para identificar a correta sobre o funcionamento das Redes Neurais Recorrentes (RNNs): a) As RNNs não são capazes de processar séries temporais contínuas e precisam que os dados sejam discretizados previamente. - Isso não é verdade, pois as RNNs podem lidar com dados sequenciais, mesmo que sejam contínuos. b) As RNNs não conseguem lidar com a dependência temporal dos dados, necessitando de modelos adicionais para tal. - Esta afirmação é incorreta, já que as RNNs foram projetadas precisamente para capturar dependências temporais. c) As RNNs utilizam variáveis de estado para armazenar informações anteriores, o que permite que o modelo utilize o histórico da sequência. - Esta é uma afirmação correta, pois as RNNs mantêm um estado oculto que armazena informações de entradas anteriores. d) As RNNs processam dados sequenciais, mas cada passo no tempo é considerado independentemente dos outros. - Isso é falso, pois as RNNs consideram a dependência entre os passos de tempo. e) As RNNs são eficazes apenas para dados de imagem e não são aplicáveis a dados textuais ou temporais. - Esta afirmação é incorreta, pois as RNNs são especialmente úteis para dados sequenciais, como texto e séries temporais. Portanto, a alternativa correta é: c) As RNNs utilizam variáveis de estado para armazenar informações anteriores, o que permite que o modelo utilize o histórico da sequência.

Essa resposta te ajudou?

0
Dislike0

Ainda com dúvidas?

Envie uma pergunta e tenha sua dúvida de estudo respondida!

Essa pergunta também está no material:

REDES_NEURAIS_SEMANA_7_NOTA_10 (1)
2 pág.

REDES_NEURAIS_SEMANA_7_NOTA_10 (1)

Mais perguntas desse material

Redes neurais recorrentes são modelos projetados para processar dados sequenciais, preservando informações de etapas anteriores por meio de conexões recorrentes. Durante treinamento ou a análise dessas redes, é comum representar sua estrutura como uma sequência de etapas temporais, permitindo compreender como os estados se desenvolvem ao longo do tempo.
Com base no funcionamento das redes recorrentes, assinale a alternativa que identifica esse conceito de desenrolar a rede no tempo.
a. Substituir a rede recorrente por uma rede totalmente conectada que opere em paralelo sobre todas as entradas simultaneamente.
b. Representar várias versões da rede com estruturas independentes que processam entradas distintas em momentos diferentes.
c. Representar a rede recorrente com cópias sequenciais, mantendo a mesma estrutura e pesos em todos os instantes.
d. Utilizar diferentes versões da rede com pesos ajustados individualmente em cada ponto do tempo para melhorar a precisão.
e. Apresentar diferentes dados em cada etapa da rede, alterando sua estrutura e os pesos a cada novo instante temporal.

Em redes neurais, diferentes arquiteturas podem ser utilizadas para tarefas de predição de séries temporais, por exemplo, as redes recorrentes LSTM.
Selecione a alternativa que melhor descreve o impacto das características estruturais da LSTM na predição de séries temporais, considerando exemplo prático apresentado nesta semana.
a. menor número de hiperparâmetros na LSTM, quando comparado ao número de hiperparâmetros da rede densa MLP, reduz a complexidade do modelo.
b. A capacidade da LSTM de processar dados não sequenciais com alta eficácia faz dela a escolha ideal para uma variedade de aplicações de dados.
c. A simplicidade estrutural da LSTM facilita o treinamento em conjuntos de dados menores, sem a necessidade de muita memória computacional, nem de muito tempo de processamento, quando comparada à rede densa MLP.
d. As LSTM são usadas exclusivamente para predição de séries temporais e não têm aplicação em outras áreas como reconhecimento de fala ou processamento de linguagem natural.
e. A estrutura da LSTM, com suas múltiplas portas de entrada, saída e esquecimento, permite um controle refinado do fluxo de informações, mantendo a precisão em sequências longas.

Redes neurais recorrentes são modelos projetados para processar dados sequenciais, preservando informações de etapas anteriores por meio de conexões recorrentes. Durante o treinamento ou a análise dessas redes, é comum representar sua estrutura como uma sequência de etapas temporais, permitindo compreender como os estados se desenvolvem ao longo do tempo.
Com base no cenário, sobre as aplicações específicas das RNNS bidirecionais, interprete as afirmativas a seguir:
I. RNNs bidirecionais utilizam informações do passado e do futuro simultaneamente para estimar a saída em cada ponto da sequência.
II. RNNs bidirecionais podem apresentar bons resultados em treino, mas podem falhar na predição quando os dados futuros não estão acessíveis.
III. RNNs bidirecionais possuem menor custo computacional por não utilizarem conexões recursivas em sua estrutura de processamento.
IV. RNNs bidirecionais são recomendadas para tarefas em que toda a sequência está disponível, como identificação de padrões em textos completos.
V. RNNs bidirecionais podem produzir saídas incoerentes se aplicadas incorretamente, mesmo apresentando métricas de avaliação aparentemente boas.
a. I, II, III, IV e V.
b. I, II, IV e V, apenas.
c. II, e III, apenas.
d. III e V, apenas.
e. II, III, IV e V, apenas.

Mais conteúdos dessa disciplina